CC BY
0Научная статья
УДК 334
doi: 10.47576/2949-1908.2024.49.82.015
цифровые решения в задачах управления клиентским сервисом: речевая аналитика
максимов Максим Игоревич
Российский экономический университет имени Г В. Плеханова,
Москва, Россия, [email protected]
Отародубец надежда сергеевна
Российский экономический университет имени Г. В. Плеханова,
Москва, Россия, [email protected]
Аннотация. В статье рассматриваются принципы работы речевой аналитики на примере программных решений, разработанных компаниями ЦРТ и Т-Банк с целью демонстрации влияния технологий речевой аналитики на эффективное управление клиентским опытом. В фокусе внимания находятся механизмы применения такой аналитики и формализация тех выгод, которые она приносит. В качестве объектов исследования выступают проекты ЦРТ по внедрению речевой аналитики в Ростелеком, Т-Банк, СОГАЗ. Показано, что речевая аналитика представляет собой мощный инструмент для управления клиентским опытом. Использование современных технологий, таких как решения от компаний ЦРТ и Т-Банка, позволяет существенно повысить эффективность взаимодействия с клиентами, улучшить качество обслуживания и увеличить лояльность. Установлено, что внедрение ИИ-технологий в сферу коммуникации с клиентами снижает уровень негативного клиентского опыта и повышает эффективность работы отдела по контролю качества клиентского сервиса.
Ключевые слова: речевая аналитика; ML; клиентский опыт; call-центр; удовлетворенность клиентов; чат-бот.
Для цитирования: Максимов М. И., Стародубец Н. С. Цифровые решения в задачах управления клиентским сервисом: речевая аналитика // Прикладные экономические исследования. - 2024. - № S 2. - С. 111-118. https://doi.org/10.47576/2949-1908.2024.49.82.015.
Original article
DIGITAL SOLUTIONS IN CUSTOMER SERVICE MANAGEMENT TASKS: SPEECH ANALYTICS
Maksimov Maksim I.
Plekhanov Russian University of Economics, Moscow, Russia,
Maksimov. [email protected]
Starodubets Nadezhda S.
Plekhanov Russian University of Economics, Moscow, Russia, nadyastarodubets@yandex. ru
Abstract. The article discusses the principles of speech analytics using the example of software solutions developed by MDG and T-Bank companies in order to demonstrate the impact of speech analytics technologies on effective customer experience management. The focus is on the mechanisms for applying such analytics and formalizing the benefits it brings. The MDG projects for the implementation of speech analytics in Rostelecom, T-Bank, and SOGAZ are the objects of research. It is shown that speech analytics is a powerful tool for managing customer experience. The use of modern technologies, such as solutions from MDG and T-Bank companies, can significantly improve the efficiency of customer interaction, improve the quality of service and increase loyalty. It has been established that the introduction of AI technologies in the field of customer communication reduces the level of negative customer experience and increases the efficiency of the customer service quality control department.
Keywords: speech analytics; ML; client experience; call-centre; customer satisfaction; chatbot.
For citation: Maksimov M. I., Starodubets N.S. Digital solutions in customer service management tasks: speech analytics. Applied economic research, 2024, no. S 2, pp. 111-118. https://doi.org/10.47576/2949-1908.2024.49.82.015.
Конкуренция практически во всех сферах бизнеса все больше зависит от наличия у компании технологических преимуществ, среди которых наиболее значимыми становятся цифровые решения [6; 7] Цифровые технологии позволяют компаниям быстро внедрять новые идеи и осуществлять вывод продуктов на рынок. Платформы для разработки программного обеспечения, облачные сервисы и инструменты для быстрой сборки прототипов (например, DevOps) сокращают цикл разработки и вывода новых продуктов. Это дает компаниям преимущество, позволяя им первыми предложить клиентам инновационные решения. Вообще говоря, цифровая трансформация позволяет автоматизировать рутинные задачи, что приводит к снижению затрат и увеличению производительности [10-13]. Например, роботизация процессов ^РА), искусственный интеллект и машинное обучение могут заменить человеческий труд в выполнении стандартных операций, таких как обработка документов, обслуживание клиентов и логистические процессы. Это освобождает ресурсы для более творческих и стратегически важных задач [8; 9].
Технология речевой аналитики автомати-
чески расшифровывает телефонные звонки и преобразует их в текстовый диалог, определяя ключевые слова и фразы. Инструмент также проверяет соответствие сценариям продаж и рекомендациям по общению с клиентами по телефону. Речевая аналитика (РА) может стать ценным инструментом для оперативного управления, когда необходимо об -рабатывать более 10 000 запросов клиентов в день. Благодаря РА можно разрабатывать и внедрять чат-ботов в повседневную работу для повышения эффективности и сокращения среднего времени ожидания. Хотя контакт-центры по-прежнему будут необходимы для решения сложных и нестандартных задач, более 80 % запросов могут быть классифицированы и стандартизированы. Это уменьшает необходимость в ручном вмешательстве, освобождая операторов от большей части рабочей нагрузки и позволяя им сосредоточиться на более сложных случаях. Кроме того, РА может анализировать входящие запросы в режиме реального времени, что еще больше повышает эффективность.
Особенности технологии речевой аналитики:
1. Возможность отслеживать соблюдение оператором сценариев, что позволяет выяв-
лять нарушения в разговорах, неуместные фразы и компрометирующее поведение сотрудников, которые могут нанести ущерб репутации компании.
2. Мгновенная разметка входящих данных для дальнейшей обработки запросов.
3. Автоматический анализ удовлетворенности клиентов обслуживанием и выявление причин, что очень ценно для мониторинга работы контакт-центра и качества работы чат-бота.
4. Автоматический анализ удовлетворенности клиентов после каждого запроса в чате или по телефону для формирования рейтинга для каждого оператора и чат-бота.
5. Речевая аналитика позволяет быстро реагировать на негативные впечатления клиентов [1].
В этой статье авторы предлагают проанализировать опыт компаний-лидеров, использующих различные платформы речевой аналитики: Центр речевых технологий и T-Банк.
Опыт Центра речевых технологий (ЦРТ). Группа компаний ЦРТ является международным разработчиком решений и продуктов, основанных на искусственном интеллекте и машинном обучении, основанная 34 года назад. ЦРТ является экспертом в области технологий распознавания речи, биометрии лица и голоса. Центр речевых технологий предлагает несколько продуктов, среди которых выделяется Chat-Navigator, который использует гибридный подход: он состоит из модели лингвистических правил и базового
ML Решения, разработанные на базе ChatNavigator, такие как чат-боты, виртуальные ассистенты и голосовые помощники, созданы для ведения естественного диалога как текстом, так и голосом. Они могут обслуживать как индивидуальных клиентов, так и большие группы пользователей [2].
Принцип действия бота, использующего Chat-Navigator:
- В процессе коммуникации с пользователем, бот тщательно анализирует содержание и контекст сообщения, заполняя соответствующие поля необходимой информацией и определяя личные данные и метаданные. В частности, бот проверяет, авторизован ли пользователь.
- Для сбора разнообразных данных бот использует корпоративные информационные системы в режиме реального времени, что позволяет ему оперативно реагировать на запросы пользователей.
- На основе полученных данных бот формирует наиболее подходящий ответ для пользователя, учитывая конкретную ситуацию. Если пользователь прошел процедуру аутентификации, он получает персонализированный ответ. Формат ответа может варьироваться в зависимости от канала связи: это могут быть ссылки на соответствующие разделы веб-сайта, уточняющие вопросы или варианты ответов с несколькими вариантами, представленные в виде кнопок или изображений.
В ситуации, когда возникает необходи-
Контакт-центр
Чат-платформа
Платформа телефонии
Обработка обращений
Диалоговый ассистент
40-80%
Уровень автоматизации
Продукты группы ЦРТ
ChatNavigator VoiceKey.lVR
Информационные системы
Bl-системы
Базы знаний
CRM
Биллинг
Медицинские ИС
Системы геолокации
Другие системы
Рисунок 1 - Принцип работы Chat-Navigator [2]
мость перенаправить клиента к специалисту, бот предоставляет исчерпывающие данные о взаимодействии с клиентом. В частности, он фиксирует информацию о том, каким образом клиент установил контакт, какие у него были запросы, а также когда диалог был завершен.
На рис. 1 показан основной принцип взаимодействия программного обеспечения ЦРТ с системами и сервисами call-центров. Преимущество Chat-Navigator в том, что это программное решение является коробочным, что означает, что его можно установить практически на любое современное оборудование без особых проблем с совместимостью.
«Ростелеком» является важным клиентом ЦРТ. ПАО «Ростелеком» считается одной из крупнейших телекоммуникационных компаний национального масштаба в России и Европе. Успешным проектом ЦРТ в «Ростелекоме» можно назвать внедрение технологий речевой аналитики в Макрорегиональный филиал «Северо-Запад».
Специалисты компании ЦРТ провели детальный анализ более 1,4 миллиона диалогов между операторами и клиентами, используя передовые технологии распознавания речи, разработанные в Speech Analytics Lab и Chat-Navigator.
В рамках исследования были рассмотрены следующие направления: входящий телемаркетинг; первичная техническая поддержка; информационно-справочная служба (ISO); расчетная служба (RSO); группа распределения звонков; отдел удержания клиентов; центр поддержки продаж и обслуживания клиентов, включая отдел координации продаж; техническая поддержка и ISO/RSO для юридических лиц; выездной телемаркетинг.
В результате анализа, проведенного с использованием инструментов Speech Analytics Lab, руководство Единого контакт-центра получало ежемесячные подробные отчеты о прогрессе в выбранном направлении. Также предоставлялись рекомендации по планированию дальнейших действий, включая работу с персоналом, оптимизацию сценариев, обучение сотрудников и системы мотивации.
В ходе длительного консультационного процесса был проведен всесторонний ана-
лиз ключевых аспектов, изучена динамика развития выявленных проблем, выявлены ошибки, допущенные сотрудниками, и определены новые направления для улучшения работы. На основе полученных данных были разработаны рекомендации, которые были адаптированы с учетом специфики деятельности Единого контакт-центра.
Обзор на ЦРТ от эксперта по проектной де -ятельности отдела обслуживания клиентов и удаленных продаж: «ЦРТ как платформа для ботов показала свою эффективность в проектах «Ростелекома», однако у данного ПО существует ряд ограничений, его необходимо вручную адаптировать под особенности бизнеса. Системы речевой аналитики компании ЦРТ обладают рядом преимуществ, поэтому вполне могут конкурировать с лидерами рынка. Стоит отметить общую точность распознавания голоса, и, что немаловажно, возможность точной настройки голосового канала под разные форматы, его качество и различные языковые диалекты»
После внедрения инструментов речевой аналитики ЦРТ в ЕКЦ макрорегионального центра «Северо-Запад» с использованием системы Speech Analytics Lab и Chat-Navigator, «Ростелеком» объявил о следующих результатах:
1) Увеличение продаж на 22,5 % и снижение непрофильной нагрузки на 14 % на входящей линии телемаркетинга.
2) Сокращение повторных запросов на 5 % на первой линии технической поддержки.
3) Сокращение среднего времени обслуживания в информационно-справочной сфере на 11,73 %.
4) Сокращение в 2 раза нарушений стандарта обслуживания в отделе координации Центра поддержки продаж [2].
Другим наглядным примером является проект, направленный на создание единой системы голосового самообслуживания на базе контакт-центра «Ростелекома» макро-регионального филиала «Северо-Запад» с использованием системы Voice-Navigator. Решение о внедрении данной системы было принято из-за чрезмерной нагрузки по нецелевым запросам на операторов контакт-центра. Таким образом, перед ЦРТ стояла цель обеспечения необходимого уровня автоматизации для оптимизации работы операторов на линиях.
Рисунок 2 - Этапы работ по созданию «Виртуального консультанта» в контакт-центре «Ростелекома» [2]
Внедрение системы IVR, представляющей собой единый голосовой интерфейс, позволило значительно снизить нагрузку на сотрудников колл-центров.
Система IVR принимает и обрабатывает простые и повторяющиеся запросы от клиентов, что позволяет сотрудникам сосредоточиться на более сложных задачах. Ежедневно система принимает и обрабатывает около 30 000 звонков от абонентов из Санкт-Петербурга и Ленинградской области. Более 90 % запросов успешно распознаются и направляются в соответствующие службы для оперативного решения проблемы.
За четыре месяца система IVR позволила снизить нагрузку на отдел телемаркетинга на 34 %. Это позволило операторам первой линии сосредоточиться на более сложных задачах и повысить эффективность работы.
Внедрение системы IVR упростило процесс обработки запросов клиентов, что позволило сократить время ожидания и повысить уровень удовлетворенности клиентов услугами «Ростелекома».
Решение от Т-Банка. Следующим объектом исследования является речевая аналитика от Т-Банка. Поскольку этот банк в насто -ящее время является одним из крупнейших в стране, руководство банка выявило необ-
ходимость в детальном анализе деятельности контакт-центра. В этом случае речевая аналитика являлась отличным решением поставленной задачи, так как позволяет контролировать 100 % входящих запросов, которые обрабатываются чат-ботом, операторами аутсорсинга, отделом продаж и отделом обслуживания клиентов.
Продукт речевой аналитики от Т-Банка автоматически прослушивает и анализирует все звонки компании. На выходе он показывает полную статистику по работе отдела, проставляя теги к каждому диалогу, то есть отмечает совпадения с заранее созданными базами данных тем в словарях. Например, любые бранные слова, оскорбления, агрессивный тон голоса, сарказм и т.д. будут вклю -чены в тему «Негатив» [3]
Речевая аналитика - эффективный инструмент в условиях волатильности рынка. Например, в случае резонанса, когда нагрузка на контакт-центр резко возрастает, операторы не готовы к вопросам, а обработка входящих звонков занимает много времени, инструмент «Облако тегов» помогает выделить из звонков наиболее частые фразы и расположить их в порядке убывания. Менеджер получает информацию о том, что больше всего волнует клиентов в данный
Общий алгоритм работы платформы речевой аналитики в Тинькофф
«
Речь в звонке
Технология распознавания речи переводит речь говорящего в текст, В Тинькофф разработана собственная технология под названием \/о!сеКИ
Текст
МЬ-модель анализирует текстовые данные и находит нужные места в тексте
И
Отчет
Система выводит данные о найденных звонках на экран в интерфейс пользователя
Рисунок 3 - Процесс анализа входных данных речевой аналитикой Т-Банка [4]
момент. Эта информация помогает оперативно подготовить операторов к нестандартным ситуациям. Благодаря «Облаку тегов» специалисты могут быстро заменить скрипты, подготовить памятки для операторов, сократить время общения с клиентами и время ожидания на линии, что положительно сказывается на клиентском опыте.
Говоря об улучшении клиентского опыта, необходимо упомянуть успешный кейс Т-Банка по снижению негатива со стороны пользователей. Для достижения этой цели специалисты по речевой аналитике проана-
лизировали звонки, в которых клиенты выражали недовольство, и составили словарь угроз. После анализа они научили модель автоматически искать угрозы в звонках клиентов, используя этот словарь. Информация о звонке с угрозами была немедленно перенаправлялась опытным операторам. Они связывались с клиентом, выясняли, чем он недоволен, и решали проблему индивидуально. Таким образом, благодаря речевой аналитике за 3 месяца удалось снизить генерацию негатива на 46 %.
Таблица 1 - Результаты применения речевой аналитики в Т-Банке
показатель 2020 2022
Объем оценок в месяц 200,000 ручных оценок Более 600,000 автоматических оценок
Процент найденных ошибок Менее 1 % Более 80 %
Оценка качества работы операторов Оценка деятельности оператора основывалась на любых 10 проведенных им звонках за месяц Оценка деятельности оператора основывалась на всех проведенных им звонкам благодаря речевой аналитике
Выход нового оператора на целевые показатели качества обслуживания 12 месяцев 9 месяцев
Эксперт NLU (natural expert understanding) выразил следующее мнение о внедрении программного обеспечения Т-Банка речевой аналитики в работу страховой компании СОГАЗ: «В рамках пилотного проекта системы речевой аналитики Т-банка были протестированы на голосовом канале СОГАЗа. В процессе эксплуатации выяснилось, что система достаточно гибко подстраивается под качество голосового канала связи без потери точности распознавания, а также по-
зволяет добавлять необходимые настройки для сотрудников отдела контроля качества. Еще одним существенным преимуществом стал автоматический контрольный список. Суть нововведения заключается в возможности анализа всех или какой-то части диалогов конкретного оператора или группы операторов по ряду критериев, получая на выходе общую оценку качества. Несмотря на преимущества продукта речевой аналитики Т-Банка, были выявлены и недочеты в про-
цессе эксплуатации. Например, так как часть работы контакт-центра связана с консультациями на медицинскую тему, стандартный ряд критериев неприменим к такого рода звонкам. В этом случае речевая аналитика не может предоставить объективный анализ качества обслуживания. однако в целом сотрудникам СОГАЗа инструмент понравился как полностью функционирующая платформа, подходящая для нужд отдела контроля качества. Речевая аналитика значительно повысила эффективность работы отдела контроля качества, так как стало намного проще и быстрее выявлять некорректные консультации, грубость и неуверенность операторов, а также перебивание клиентов».
Таким образом, программное обеспечение речевой аналитики от Т-Банка позволяет:
1) Анализировать 100 % поступающих запросов для оценки качества работы операторов связи;
2) Оперативно реагировать на геополитические изменения во внешней среде, такие как кризисы, резонансы;
3) Повысить лояльность клиентов и снизить уровень негативного опыта за счет сокращения среднего времени ожидания, получения точных и быстрых ответов и выявления основных проблемных тем.
На примере таких компаний, как «Ростеле -ком», «Т-Банк» и «Согаз», можно сделать вывод о том, что в современных условиях для любого предприятия крайне важно уделять внимание клиентам и понимать их потребности.
Постоянная обратная связь от клиентов помогает операторам лучше понимать их потребности и ожидания. Например, часто задаваемые вопросы могут указывать на недостаток информации на сайте или сложности с навигацией по продуктам/услугам. Регулярный анализ разговоров позволяет улучшать качество обслуживания и адаптироваться к потребностям аудитории.
Современные технологии позволяют автоматизировать процесс анализа речи с помощью искусственного интеллекта и машинного обучения. Программы могут автоматически распознавать ключевые слова, оценивать эмоциональную окраску беседы и даже генерировать отчеты по результатам анализа. Это значительно ускоряет обработку данных и делает ее более точной.
Анализ речи является эффективным методом сбора и обработки отзывов, выявления ошибок в работе операторов и анализа общего впечатления клиентов. Применение этого инструмента позволяет повысить эффективность отдела контроля качества на 80 %, увеличить продажи на 20 % и снизить нагрузку на операторов, не связанную с их основными обязанностями, на 15 % [5].
Быстрое реагирование на жалобы и претензии клиентов способствует повышению их доверия к компании. Когда клиенты видят, что их мнение учитывается и принимаются меры для устранения недостатков, они становятся более лояльными и склонны рекомендовать компанию своим знакомым.
Список источников
1. Речевая аналитика. URL: https://roistat.com/ru/features/speech-analytics (дата обращения: 07.11.2024).
2. Истории успеха. URL: https://www.speechpro.ru/project/ (дата обращения: 07.11.2024).
3. Речевая аналитика. URL: https://www.tbank.ru/software/speech-analytics/ (дата обращения: 07.11.2024).
4. Болдырев В. Речевая аналитика: как она помогает экономить бизнесу // Бизнес секреты. 2022.
5. Прохорова Г., Кабаев А. Инструменты речевой аналитики на практике // Открытые системы. СУБД. 2023. №4. С. 22-25.
6. Коречков Ю. В., Иванов С. В. Актуальные проблемы управления национальной экономикой : монография. Ярославль: МУБиНТ, 2020. 112 с.
7. Коречков Ю. В., Джиоев О. В. Синергетический эффект интеграционных процессов и мультипликация инвестиций в интегрированных организациях // Науковедение. 2015. Т. 7. № 2 (27). С. 40.
8. Коречков Ю. В., Иванов С. В. Социально-экономические эффекты инновационной образовательной среды в экономике знаний // Науковедение. 2012. № 4. (13). С. 32.
9. Коречков Ю. В., Леженина Л. А. Информационный капитал как новая форма интеллектуального капитала в экономических моделях цифровой экономики // Вестник евразийской науки. 2018. Т. 10. № 3. С. 24.
10. Maksimov M.I., Kolesnikov A.V. Managing steady development in the unfavorable conditions: implementation methods. Study Guide / Amazon, Seattle, 2024.
11. Maksimov M.I. The best practices of modern administration and management in cases and essays. Study Guide. Moscow, 2021. Volume 1.
12. Maksimov M.I. The best practices of modern administration and management in cases and essays. Study Guide. Moscow, 2022. Volume 2.
13. Maksimov M.I. Projects and artistry: the modern approach to corporate culture and hrm. Monograph. Seattle, Amazon, 2024.
References
1. Speech analytics. URL: https://roistat.com/ru/features/speech-analytics (date of access: 11/07/2024).
2. Success stories. URL: https://www.speechpro.ru/project / (date of access: 11/07/2024).
3. Speech analytics. URL: https://www.tbank.ru/software/speech-analytics / (date of access: 11/07/2024).
4. Boldyrev V. Speech analytics: how it helps to save business. Business secrets. 2022.
5. Prokhorova G., Kabaev A. Speech analytics tools in practice. Open Systems. DBMS. 2023. No. 4. Pp. 22-25.
6. Korechkov Yu. V., Ivanov S. V. Actual problems of national economy management : monograph. Yaroslavl: MUBiNT, 2020. 112 p.
7. Korechkov Yu. V., Dzhioev O. V. The synergetic effect of integration processes and multiplication of investments in integrated organizations. 2015. Vol. 7. No. 2 (27). P. 40.
8. Korechkov Yu. V., Ivanov S. V. Socio-economic effects of an innovative educational environment in the knowledge economy. Naukovedenie. 2012. No. 4. (13). P. 32.
9. Korechkov Yu. V., Lezhenina L. A. Information capital as a new form of intellectual capital in economic models of the digital economy. Bulletin of Eurasian Science. 2018. Vol. 10. No. 3. P. 24.
10. Maksimov M.I., Kolesnikov A.V. Management of sustainable development in adverse conditions: implementation methods. Textbook. Amazon, Seattle, 2024.
11. Maximov M.I. The best practices of modern administration and management in cases and essays. Study guide. Moscow, 2021. Volume 1.
12. Maksimov M.I. The best practices of modern administration and management in cases and essays. Textbook. Moscow, 2022. Volume 2.
13. Maksimov M.I. Projects and creativity: a modern approach to corporate culture and personnel management. The monograph. Seattle, Amazon, 2024.
сведения об авторах
мАксимов мАксим игоревич - кандидат технических наук, доцент, кафедра корпоративного управления и инноватики, Российский экономический университет имени Г. В. Плеханова, Москва, Россия, [email protected]
сТАродуБЕЦ надежда серГЕЕвнА - студент 4 курса Высшей школы менеджмента, Российский экономический университет имени Г. В. Плеханова, Москва, Россия, [email protected]
Information about the authors
MAKSIMoV MAKSIM I. - Candidate of Technical Sciences, Associate Professor, Department of Corporate Governance and Innovation, Plekhanov Russian University of Economics, Moscow, Russia, [email protected]
STARodubETS NADEzhDA S. - 4th grade student, Higher School of Management, Plekhanov Russian University of Economics, Moscow, Russia, [email protected]
